随着传统化石能源的日益减少以及全球气候变暖问题的日益加重,风电作为清洁绿色能源的代表受到人们的高度重视与大力发展,机组装机容量的不断增加,风电在电力市场份额中所占比重也在不断增长。风电机组通常建在偏远山区、近海、戈壁等恶劣环境中,传动系统作为风能转换的关键部件故障发生率高,能否可靠工作决定了风电安全运行起到重要作用。在发电过程中,时变的风速与负荷不断冲击着风电机组的传动装置,这使得传动装置的故障率久高不下。高昂的维修费用和停机损失不仅严重制约着风电的发展,随着大规模风电并网的进行,一旦发生故障,将会极大地影响电力系统的稳定性和安全性。因此,有效的状态检测与故障诊断对于保证风电机组运行的安全性和可靠性,降低维护成本至关重要。随着智能模式识别理论的深入发展,基于机器学习方法的风电传动系统故障诊断方法得到了快速发展。面对复杂工况下的风电传动系统智能故障诊断模型存在过拟合、模型复杂、泛化性差、可解释性差、有效特征难以提取等缺陷。因此,本文将正则化理论与机器学习相结合研究提出了基于正则化机器学习的风电机组传动系统故障诊断方法。本文以风力发电机组的传动系统(滚动轴承和齿轮箱)为研究对象,针对滚动轴承的单一故障、齿轮箱的复合故障以及滚动轴承的剩余使用寿命三个方面展开了深入研究。论文主要研究内容如下:(1)滚动轴承作为风电机组的关键部件,对于整个机组的安全运行起着决定性作用。针对机组滚动轴承故障诊断问题,本文提出了一种节点优化型有向无环图大间隔分布机(O-DAG-LDM)的故障诊断方法。结合DAG多分类扩展性能与LDM二分类器泛化性能的优点,本文构建了一种面向滚动轴承故障诊断的DAG结构扩展式LDM多分类器方法。在DAG-LDM算法框架下,利用优化算法对DAG节点进行优化排列以减小随机排布引起的累积误差,提高了LDM故障分类准确率。(2)齿轮箱是一种通过大小齿轮啮合来实现变速的传动部件,由于它的结构特殊,其故障多为复合故障,传统的诊断方法难以提取有效故障特征,同时存在抗干扰能力差,误报率高等问题。本文提出一种基于Lasso正则化自编码神经网络的故障特征提取方法,结合自编码神经网络的特征提取优势与Lasso正则项的稀疏选择特性,通过Lasso项对自编码神经网络施加惩罚,能够有效地帮助自编码神经网络提取复合故障中的关键特征。并进一步,利用支持向量机对提取到的特征进行分类,以达到对齿轮箱复合故障的诊断,实验表明,所提方法能够有效提高齿轮箱的复合故障诊断率。(3)高效的剩余寿命预测对于保证机器运行的安全性和可靠性,降低维护成本至关重要。为了提高滚动轴承剩余使用寿命(RUL)的预测精度,本文将弹性网与长短时记忆网络(LSTM)结合,提出了一种基于弹性网和长短时记忆网络的滚动轴承剩余寿命预测新方法,并将新方法称为E-LSTM。利用LSTM多存储单元特性充分挖掘轴承退化过程中的时空相关信息,并引入弹性网正则项,对LSTM结构进行调控以克服LSTM神经网络训练过程中的过拟合问题。实验表明,该方法能够很好的表征输出,更好地表示轴承退化模式,取得了很好的剩余寿命预测精度。